ULASAN JURNAL :

LEARNER CHARACTERISTIC BASED LEARNING EFFORT CURVE MODE:

THE CORE MECHANISM ON DEVELOPING PERSONALIZED ADAPTIVE E-

LEARNING PLATFORM

Pi-Shan Hsu,

Department of Human Resource Development, Ching Kuo Institute of

Management and Health, Taiwan

Sumber : http://www.tojet.net/articles/v11i4/11421.pdf

PENGENALAN

Kajian ini merupakan satu kajian tentang keluk pencapaian pelajaran yang

berdasarkan kajian kepada karakater atau sifat pelajar termasuklah gaya

pembelajaran dan efikasi kendiri. Matlamat utama kajian ini adalah untuk

membangunkan satu mekanisme teras yang berkaitan dengan penerimaan

terhadap pembangunan platform e-learning ( e-pembelajaran ). Kajian ini juga

melibatkan seramai 125 orang pelajar universiti di Taiwan dan dibahagikan

kepada 16 kumpulan berdasarkan kecekapan dalam pembelajaran, gaya

pembelajaran dan efikasi kendiri.

Karakter pelajar berdasarkan Mod Keluk Hasil Pembelajaran atau

Learning effort curve mode ( LECM ) dibangunkan berpandukan regresi antara

pelbagai faktor yang didapati daripada setiap kumpulan pelajar. Kajian ini

menganggap gaya pembelajaran dan efikasi kendiri sebagai karakter pelajar.

PERSOALAN KAJIAN

Menurut Keh ( 2004 ), mekanisme terbaik dalam e-pembelajaran mestilah

berdasarkan karakter pelajar itu sendiri. Pengkelasan gaya pembelajaran

menjadikan penerimaan terhadap e-pembelajaran lebih berkesan. Yu ( 2007 ),

1

menerangkan bahawa efikasi kendiri merupakan faktor utama dalam pencapaian

e-pembelajaran. Namun demikian, banyak platform e-pembelajaran tidak

mengambil kira karakter pelajar malah lebih teruk lagi tidak bersesuaian dengan

situasi semasa. Sebab itulah, banyak platform e-pembelajaran tidak dapat

digunakan dengan sebaiknya.

METODOLOGI / KAEDAH KAJIAN

Subjek

Penyelidik telah memilih 178 orang pelajar universiti di Taiwan untuk turut serta

dalam aktiviti berdasarkan platform IC3 e-pembelajaran. Hanya 125 orang

pelajar yang layak sebagai sampel kajian ini berdasarkan kajian terhadap rekod

pelajaran mereka dan juga keputusan ujian tentang inventori gaya pembelajaran

dan skala efikasi kendiri.

Alat

Alat yang digunakan dalam kajian ini termasuklah inventori gaya pembelajaran,

skala efikasi kendiri, platform e-pembelajaran IC3, pencapaian berdasarkan

ujian/penilaian dan pengiraan berdasarkan usaha untuk belajar. Subjek

dikelaskan berdasarkan karakter pelajar dengan menggunakan penilaian

inventori gaya pembelajaran dan skala efikasi kendiri.

1. Inventori Gaya Pembelajaran / Learning Style Inventory ( LSI )

LSI diperkenalkan oleh Kolb ( 1984 ) dan ramai penyelidik berpendapat bahaawa

LSI merupakan alat penyelidikan yang efektif kerana mempunyai

kebolehpercayaan yang tinggi. LSI mengambil masa antara 10 hingga 15 minit

untuk menjawab 12 soalan. Dalam kajian ini, LSI digunakan untuk mengenal

pasti gaya pembelajaran dan membuat pengkelasan responden kepada empat

gaya pembelajaran iaitu penyesuaian, asimilasi, bertumpu dan perbezaan yang

wajar.

2

2. Skala Efikasi Kendiri / Self-Efficacy Scale ( SES )

SES digunakan oleh Zhang dan Schwarzer ( 1995 ) kepada 293 orang pelajar

universiti untuk mengkaji keberkesanannya. 91 orang berpendapat SES

mempunyai kebolehpercayaan yang tinggi. SES biasanya mengandungi 10

soalan dan diikuti dengan empat skala iaitu 1- salah, 2- agak betul, 3- betul, 4-

sangat betul. Markah biasanya antara 10-40 markah. Responden yang

mempunyai markah yang tinggi dianggap mempunyai efikasi kendiri yang tinggi.

Dalam kajian ini, SES digunakan untuk mengukur efikasi kendiri dan membuat

pengkelasan responden sama ada mempunyai efikasi kendiiri yang tinggi atau

rendah.

3. Platform e-pembelajaran IC3

IC3 ( Internet and Computing Core Certifications ) merupakan kelayakan yang

diaplikasikan di 128 buah negara di seluruh dunia. IC3 adalah gabungan antara

pembelajaran dengan penilaian. Pelajar boleh membuat penilaian kendiri

berdasarkan tahap tertentu dalam struktur IC3.

4. Dynamic Real-Time based Learning Effort Quantification Technique

Teori Hasil pembelajaran / Learning Effort ( Hsu et al, 2009) dibangunkan

berdasarkan teori beban kognisi ( Sweller, 1990 ) dan Teori Penilaian Dinamik

( Allal & Ducresy, 2000 ). Hasil pembelajaran dengan nilai yang positif

menunjukkan hasil pembelajaran yang meningkat dan hasil pembelajaran

dengan nilai yang negatif menunjukkan hasil pembelajaran yang semakin

menurun. Dynamic Real-Time based Learning Effort Quantification Technique

pula dibangun berdasarkan RAT ( Rapid Assesment Test, Kalyuga & Sweller,

2004 ) dan Cognition Efficiency Teory ( Kalyuga & Sweller, 2005 ). Dalam kajian

ini, teknik ini digunakan untuk menukarkan rekod pembelajaran kepada hasil

pembelajaran dalam bentuk data pernomboran.

3

5. Mod Keluk Hasil Pembelajaran / Learning Effort Curve Mode (LECM)

Data hasil pembelajaran yang ditukarkan menggunakan Dynamic Real-Time

based Learning Effort Quantification Technique boleh ditukarkan kepada bentuk

visual grafik yang dikenali sebagai Keluk Hasil Pembelajaran.

DAPATAN KAJIAN

Dapatan kajian ini menunjukkan bahawa karakter pembelajaran berdasarkan

LECM dapat mewakili karakter pembelajaran responden secara khusus

terutamanya gaya pembelajaran dan efikasi kendiri responden. Nilai teras

karakter pembelajaran berdasarkan LECM mampu mereliasasikan

pembangunan platform e-pembelajaran yang sesuai dengan kehendak pelajar

atau pengguna.

KESIMPULAN

Penyelidikan ini tidak terhenti di sini sahaja. Seharusnya penyelidikan tentang

faktor-faktor yang mempengaruhi pembangunan platform e-pembelajaran

diteruskan pada masa-masa akan datang. Dapatan kajian yang diperoleh

menunjukkan bahawa hubungan antara gaya pembelajaran dengan efikasi

kendiri saling bergantung antara satu sama lain.

E-pembelajaran mesti mengambil kira karakter pelajar dalam

pembangunan platform yang sesuai. Gaya pembelajaran dan efikasi kendiri

merupakan kunci kepada pembangunan platform e-pembelajaran yang

bertepatan dengan kehendak kajian ini. Responden yang dibahagikan kepada 16

kumpualan karakter pelajar berdasarkan gaya pembelajaran, efikai kendiri dan

keberkesanan pembelajaran. Keluk hasil pembelajaran ditukarkan kepada LECM

berdasarkan karakter pelajar yang mewakili setiap kumpulan. Dengan analisis 16

kumpulan karakter pelajar, menemui bahawa hasil pembelajaran responden

berdasarkan LECM menunjukkan mutu pembelajaran yang tinggi.

4